由于获取不到足够的异常样本用于模型训练，无监督异常检测（UAD）逐渐成为主流的异常检测方法，但这种方法中异常样本和注释的缺失会降低UAD的检测性能。 统计模型（规范化流）适合于以无监督的方式进行异常检测（AD）和定位，统计模型通过将异常数据的分布与正常数据的分布进行对比以进行概率计算，由此可以有效地区分不可预测的异常。

在数据中异常概率密度低，正态和异常数据通常呈现严重的长尾分布，甚至在某些情况下没有异常样本。现实状况使得在实践中很难收集和标注大量的异常数据用于监督学习。无监督异常检测和定位能够用于在无法收集和标记足够的异常数据的情况进行。

视频异常检测（Video Anomaly Detection, VAD）在安全监控和自动驾驶等应用中至关重要。然而，现有的VAD方法在检测到异常时很少提供背后的原理，这限制了它们在现实世界部署中获得公众信任的能力。因此需要开发出能够提供推理过程的VAD方法。大语言模型（LLMs）在各种推理任务中表现出色。然而LLMs对异常的理解与特定场景所需的异常定义之间存在不匹配，这使得LLMs在直接执行VAD任务时效果不足。

生成模型已被证明可以通过建模正常数据来提供强大的异常检测机制，这些数据随后可以用作异常评分的基线。DDPMs在样本质量和模式覆盖方面已经成为生成建模的最新方法，能够从复杂的数据分布中生成样本，相比于生成对抗网络(GAN)和变分自编码器(VAEs)相比具有更好的模式覆盖。

数据集 VideoPipe（城市管道系统中的异常检测数据集，使用分卷压缩存储）：https://opendatalab.com/OpenDataLab/VideoPipe 问题描述 VideoPipe数据集共205GB，由于文件容量过大，使用分卷压缩存储。 在Ubuntu 22.04下使用以下命令报

论文链接：2403.12570v1.pdf 今天要分享的是来自CVPR 2024的一篇异常检测的文章，从标题我们也能知道这篇文章主要针对的是异常检测中医学图像检测这个方向的，用的是经过修改的视觉语言大模型来实现通用的异常检测。 背景 首先讲一下方法提出的背景。

论文名称：Toward Generalist Anomaly Detection via In-context Residual Learning with Few-shot Sample Prompts（CVPR 2024） 论文链接：2403.06495v3.pdf 背景 通过论文的名称我们也能